Reposition von Handgelenksbrüchen

Diese Arbeit untersucht, wie Machine Learning zur digitalen und automatisierten Reposition von Handgelenksbrüchen eingesetzt werden kann. Ziel ist es, Chirurgen bei der präzisen Ausrichtung von Knochenfragmenten zu unterstützen und so die Planung komplexer Eingriffe zu verbessern.

Ausgangslage

Die präzise Reposition distaler Radiusfrakturen stellt in der klinischen Praxis eine grosse Herausforderung dar und erfolgt heute weitgehend manuell auf Basis der Erfahrung und räumlichen Vorstellung der Chirurgen. Trotz Fortschritten im Bereich Machine Learning existieren kaum automatisierte Lösungen für diese Aufgabe.

Die Komplexität ergibt sich aus den unregelmässigen Bruchflächen, deformierten Fragmenten und dem Fehlen eines Referenzmodells des ursprünglichen Knochens. Im Gegensatz zu einem klassischen Puzzle lassen sich die Fragmente nicht eindeutig geometrisch zusammensetzen. Zudem fehlen häufig Vergleichsdaten, was die Bewertung und Validierung algorithmischer Ansätze zusätzlich erschwert.

Zielsetzung

Ziel dieser Arbeit war die Entwicklung eines Algorithmus, der Knochenfragmente bei distalen Radiusfrakturen automatisch in ihre ursprüngliche Position zurückführt. Da für gebrochene Knochen in der Regel kein Referenzmodell des gesunden Zustands vorliegt, wurde zusätzlich ein Verfahren zur Rekonstruktion der ursprünglichen Knochenform entwickelt.

Beide Ansätze wurden implementiert, miteinander verglichen und anhand geeigneter Metriken bewertet, um die Leistungsfähigkeit der Methoden sowie die Anforderungen an die zugrunde liegende Datengrundlage zu untersuchen.

Ergebnisse

Die entwickelte Methode ermöglicht eine automatisierte Rekonstruktion und Reposition von Knochenfragmenten bei distalen Radiusfrakturen. Die Zielmorphologie konnte mit verschiedenen Ansätzen erfolgreich modelliert werden, wobei sich insbesondere die Ridge-Regression als stabil und zuverlässig erwies.

Die Ergebnisse zeigen, dass die Qualität der Rekonstruktion stark von der verfügbaren Datenbasis abhängt. Eine grössere Anzahl an Referenzknochen verbessert die Vorhersagegenauigkeit und führt zu besseren Resultaten bei der Reposition. Gleichzeitig konnte gezeigt werden, dass energiebasierte Optimierungsverfahren geeignet sind, um Fragmentpositionen effizient zu bestimmen.

Trotz der erzielten Resultate bestehen weiterhin Herausforderungen, insbesondere bei kleinen Fragmenten und ungenauen Zielmorphologien. Insgesamt zeigt die Arbeit jedoch, dass der gewählte Ansatz eine vielversprechende Grundlage für die automatisierte Operationsplanung darstellt.

Technische Schlüsselbegriffe

• Distale Radiusfraktur
• Machine Learning
• Zielmorphologie
• Energiefunktion
• Digitale Reposition
• Ridge-Regression
• Gauss’sche Prozessregression
• Inverse Distance Weighting
• L-BFGS-B

Kund:in

AINEAS GmbH
Dr. med. Marco Keller
Theaterplatz 8
5400 Baden

Team